神经障碍的概率预测与神经影像数据模态的统计评估

对于许多神经障碍，疾病状态的预测是一个重要的临床目标。神经影像提供了关于大脑结构和功能的详细信息，可以据此通过统计方法推导出此类预测。本文提出了一种带有 Gaussian process 先验的 multinomial logit 模型，用于：(i) 基于全脑神经影像数据预测疾病状态，以及 (ii) 分析不同影像模态和脑区的相对信息量。采用先进的 Markov chain Monte Carlo 方法对模型进行后验推断。本文报告了对多种神经影像模态的统计评估，应用于区分三种帕金森类神经障碍与健康对照组，结果表明，与基于多种模态的非概率分类器相比，疾病状态的预测性能表现出良好的前景。统计分析还量化了不同神经影像测量和脑区在区分这些疾病时的相对重要性，并表明对于预测而言，采集多种神经影像序列几乎没有额外收益。最后，发现不同脑区的预测能力与临床文献中报告的疾病区域病理学特征相一致。